Berekening EWMA Korrelasie Gebruik Excel Ons het onlangs geleer het oor hoe om wisselvalligheid te skat met behulp van EWMA eksponensieel Geweegde bewegende gemiddelde. Soos ons weet, EWMA vermy die slaggate van ewe geweegde gemiddeldes want dit gee meer gewig aan die meer Onlangse waarnemings in vergelyking met die ouer waarnemings. So, as ons uiterste opbrengste in ons data, met verloop van tyd, hierdie data word ouer en kry minder gewig in ons berekening. In hierdie artikel sal ons kyk na hoe ons korrelasie kan bereken met behulp van EWMA in Excel. Ons weet dat die korrelasie word bereken deur die volgende formule te gebruik: Die eerste stap is om die kovariansie tussen die twee ruil reeks te bereken. Ons gebruik die smoothing faktor Lambda 0.94, soos gebruik in RiskMetrics. Oorweeg die volgende vergelyking: Ons gebruik die kwadraat opbrengste R2 as die reeks x in hierdie vergelyking vir afwyking voorspellings en kruis produkte van twee opbrengste as die reeks x in die vergelyking vir kovariansie voorspellings. Let daarop dat dieselfde lambda word vir alle afwykings en kovariansie. Die tweede stap is om die afwykings en standaardafwyking van elke terugkeer reeks te bereken, soos beskryf in hierdie artikel Bereken Historiese Volatiliteit Gebruik EWMA. Die derde stap is om die korrelasie te bereken deur te steek in die waardes van Kovariansie en standaardafwykings in die bostaande formule vir korrelasie. Die volgende Excel vel gee 'n voorbeeld van die korrelasie en wisselvalligheid berekening in Excel. Dit neem die log opbrengste van twee aandele en bereken die korrelasie tussen them. Exploring Die eksponensieel Geweegde Moving Gemiddelde Volatiliteit is die mees algemene maatstaf van risiko, maar dit kom in verskeie geure. In 'n vorige artikel het ons gewys hoe om eenvoudige historiese wisselvalligheid te bereken. (Om hierdie artikel te lees, sien Die gebruik van Volatiliteit Om toekomstige risiko te meet.) Ons gebruik Googles werklike aandele prys data om daaglikse wisselvalligheid gebaseer op 30 dae van voorraad data bereken. In hierdie artikel, sal ons verbeter op eenvoudige wisselvalligheid en bespreek die eksponensieel geweeg bewegende gemiddelde (EWMA). Historiese Vs. Geïmpliseer Volatiliteit Eerste, laat sit hierdie metrieke in 'n bietjie van perspektief. Daar is twee breë benaderings: historiese en geïmpliseer (of implisiete) wisselvalligheid. Die historiese benadering veronderstel dat verlede is proloog ons geskiedenis te meet in die hoop dat dit voorspellende. Geïmpliseerde wisselvalligheid, aan die ander kant, ignoreer die geskiedenis wat dit oplos vir die wisselvalligheid geïmpliseer deur markpryse. Hulle hoop dat die mark weet die beste en dat die markprys bevat, selfs al is implisiet, 'n konsensus skatting van wisselvalligheid. (Vir verwante leesstof, sien die gebruike en beperkinge van Volatiliteit.) As ons fokus op net die drie historiese benaderings (op die bogenoemde links), hulle het twee stappe in gemeen: Bereken die reeks periodieke opgawes Pas 'n gewig skema Eerstens, ons bereken die periodieke terugkeer. Dis gewoonlik 'n reeks van die daaglikse opgawes waar elke terugkeer uitgedruk in voortdurend saamgestel terme. Vir elke dag, neem ons die natuurlike log van die verhouding van aandele pryse (dit wil sê die prys vandag gedeel deur die prys gister, en so aan). Dit veroorsaak 'n reeks van die daaglikse opbrengs van u ek u i-m. afhangende van hoeveel dae (m dae) ons meet. Dit kry ons by die tweede stap: Dit is hier waar die drie benaderings verskil. In die vorige artikel (Die gebruik van Volatiliteit Om toekomstige risiko Gauge), ons het getoon dat onder 'n paar aanvaarbare vereenvoudigings, die eenvoudige afwyking is die gemiddeld van die kwadraat opbrengste: Let daarop dat hierdie som elk van die periodieke opgawes, verdeel dan wat totaal deur die aantal dae of waarnemings (m). So, dit is regtig net 'n gemiddeld van die kwadraat periodieke opgawes. Anders gestel, is elke vierkant terugkeer gegee 'n gelyke gewig. So as alfa (a) is 'n gewig faktor (spesifiek, 'n 1 / m), dan 'n eenvoudige variansie lyk iets soos hierdie: Die EWMA Verbeter op Eenvoudige Variansie Die swakheid van hierdie benadering is dat alle opgawes verdien dieselfde gewig. Yesterdays (baie onlangse) terugkeer het geen invloed meer op die variansie as verlede maande terugkeer. Hierdie probleem is opgelos deur die gebruik van die eksponensieel geweeg bewegende gemiddelde (EWMA), waarin meer onlangse opbrengste het 'n groter gewig op die variansie. Die eksponensieel geweeg bewegende gemiddelde (EWMA) stel lambda. wat die smoothing parameter genoem. Lambda moet minstens een wees. Onder daardie toestand, in plaas van gelyke gewigte, elke vierkant terugkeer is geweeg deur 'n vermenigvuldiger soos volg: Byvoorbeeld, RiskMetrics TM, 'n finansiële risikobestuur maatskappy, is geneig om 'n lambda van 0,94, of 94. gebruik in hierdie geval, die eerste ( mees onlangse) kwadraat periodieke terugkeer is geweeg deur (1-0,94) (. 94) 0 6. die volgende kwadraat terugkeer is bloot 'n lambda-veelvoud van die vorige gewig in hierdie geval 6 vermenigvuldig met 94 5.64. En die derde voor dae gewig gelyk (1-0,94) (0.94) 2 5,30. Dis die betekenis van eksponensiële in EWMA: elke gewig is 'n konstante vermenigvuldiger (dit wil sê lambda, wat moet wees minder as een) van die dae gewig voor. Dit sorg vir 'n afwyking wat geweeg of voorkeur vir meer onlangse data. (Vir meer inligting, kyk na die Excel Werkkaart vir Googles Volatiliteit.) Die verskil tussen net wisselvalligheid en EWMA vir Google word hieronder getoon. Eenvoudige wisselvalligheid effektief weeg elke periodieke terugkeer deur 0,196 soos uiteengesit in kolom O (ons het twee jaar van die daaglikse aandeleprys data. Dit is 509 daaglikse opgawes en 1/509 0,196). Maar let op dat Kolom P ken 'n gewig van 6, dan 5.64, dan 5.3 en so aan. Dis die enigste verskil tussen eenvoudige variansie en EWMA. Onthou: Nadat ons die hele reeks (in kolom Q) het ons die variansie, wat is die kwadraat van die standaardafwyking som. As ons wil hê wisselvalligheid, moet ons onthou om die vierkantswortel van daardie afwyking te neem. Wat is die verskil in die daaglikse wisselvalligheid tussen die variansie en EWMA in Googles geval beduidende: Die eenvoudige variansie het ons 'n daaglikse wisselvalligheid van 2,4, maar die EWMA het 'n daaglikse wisselvalligheid van slegs 1.4 (sien die sigblad vir besonderhede). Blykbaar, Googles wisselvalligheid bedaar meer onlangs dus kan 'n eenvoudige variansie kunsmatig hoog wees. Vandag se afwyking is 'n funksie van Pior Dae Variansie Youll kennisgewing wat ons nodig het om 'n lang reeks van eksponensieel afneem gewigte bereken. Ons sal nie die wiskunde doen hier, maar een van die beste eienskappe van die EWMA is dat die hele reeks gerieflik verminder tot 'n rekursiewe formule: Rekursiewe beteken dat vandag se stryd verwysings (dit wil sê 'n funksie van die vorige dae variansie). Jy kan hierdie formule in die sigblad ook, en dit lei tot die presies dieselfde resultaat as die skuldbewys berekening Dit sê: Vandag se variansie (onder EWMA) gelyk yesterdays variansie (geweeg volgens lambda) plus yesterdays kwadraat terugkeer (geweeg deur een minus lambda). Let op hoe ons net bymekaar te tel twee terme: yesterdays geweegde variansie en yesterdays geweeg, vierkantig terugkeer. Net so is, lambda is ons glad parameter. 'N Hoër lambda (bv soos RiskMetrics 94) dui stadiger verval in die reeks - in relatiewe terme, gaan ons meer datapunte in die reeks en hulle gaan stadiger af te val. Aan die ander kant, as ons die lambda verminder, dui ons hoër verval: die gewigte val vinniger af en, as 'n direkte gevolg van die snelle verval, is minder datapunte gebruik. (In die sigblad, lambda is 'n inset, sodat jy kan eksperimenteer met sy sensitiwiteit). Opsomming Volatiliteit is die oombliklike standaardafwyking van 'n voorraad en die mees algemene risiko metrieke. Dit is ook die vierkantswortel van variansie. Ons kan variansie histories of implisiet (geïmpliseer wisselvalligheid) te meet. Wanneer histories meet, die maklikste metode is eenvoudig variansie. Maar die swakheid met 'n eenvoudige afwyking is alle opgawes kry dieselfde gewig. So staan ons voor 'n klassieke kompromis: ons wil altyd meer inligting, maar hoe meer data het ons die meer ons berekening verwater deur verre (minder relevant) data. Die eksponensieel geweeg bewegende gemiddelde (EWMA) verbeter op eenvoudige variansie deur die toeken van gewigte aan die periodieke opgawes. Deur dit te doen, kan ons albei gebruik 'n groot monster grootte, maar ook 'n groter gewig te gee aan meer onlangse opbrengste. (Om 'n fliek handleiding te sien oor hierdie onderwerp, besoek die Bionic skilpad.) EWMA 101 Die EWMA benadering het 'n aantreklike kenmerk: dit relatief min data wat gestoor word vereis. Om ons skatting op enige punt op te dateer, ons moet net 'n vorige skatting van die variansie koers en die mees onlangse waarneming waarde. 'N Sekondêre doel van EWMA is om veranderinge in die wisselvalligheid op te spoor. Vir klein waardes, Onlangse waarnemings beïnvloed die skatting stiptelik. Vir waardes nader aan een, die skatting veranderinge stadig gebaseer op onlangse veranderings in die opbrengste van die onderliggende veranderlike. Die RiskMetrics databasis (wat deur JP Morgan en openbaar gemaak beskikbaar) gebruik die EWMA met vir die opdatering daagliks wisselvalligheid. BELANGRIK: Die EWMA formule nie aanvaar 'n lang loop gemiddelde variansie vlak. So, die konsep van wisselvalligheid beteken terugkeer is nie vasgevang word deur die EWMA. Die ARCH / GARCH modelle is beter geskik vir hierdie doel. Lambda 'n Sekondêre doel van EWMA is om veranderinge in die wisselvalligheid op te spoor, sodat vir klein waardes, onlangse waarneming beïnvloed die skatting stiptelik, en vir waardes nader aan een, die skatting veranderinge stadig onlangse veranderinge in die opbrengste van die onderliggende veranderlike. Die RiskMetrics databasis (wat deur JP Morgan) en openbare beskikbaar gestel in 1994, gebruik die EWMA model met vir die opdatering daagliks wisselvalligheid skatting. Die maatskappy het bevind dat oor 'n reeks van die mark veranderlikes, hierdie waarde van gee voorspelling van die variansie wat die naaste aan besef variansie koers kom. Die besef variansie tariewe op 'n bepaalde dag is bereken as 'n ewe-gemiddelde van die daaropvolgende 25 dae. Net so, om die optimale waarde van lambda bereken vir ons datastel, moet ons die besef wisselvalligheid by elke punt te bereken. Daar is verskeie metodes, so kies een. Volgende, bereken die som van 'n vierkant foute (SSE) tussen EWMA skatting en besef wisselvalligheid. Ten slotte, verminder die SSE deur wisselende die lambda waarde. Klink maklik dit is. Die grootste uitdaging is om in te stem op 'n algoritme om besef wisselvalligheid bereken. Byvoorbeeld, die mense by RiskMetrics verkies die daaropvolgende 25-dag te besef variansie koers bereken. In jou geval, kan jy 'n algoritme wat daaglikse volume gebruik, MI / LO en / of openbare-close pryse te kies. Vrae Q 1: Kan ons gebruik EWMA om te skat (of voorspel) wisselvalligheid meer as 'n stap vorentoe Die EWMA wisselvalligheid verteenwoordiging nie aanvaar 'n langtermyn gemiddelde wisselvalligheid, en dus, vir enige vooruitsig horison meer as een-stap, die EWMA gee 'n konstante waarde: Gegewe 'n tydreeks XI, ek wil 'n geweegde bewegende gemiddelde bereken met 'n gemiddelde venster van n punte, waar die gewigte bevoordeel meer onlangse waardes oor ouer waardes. In die keuse van die gewigte, gebruik ek die bekende feit dat 'n meetkundige reeks konvergeer tot 1, maw som (frac) k, met dien verstande oneindig baie terme geneem. Om 'n diskrete aantal gewigte wat opsom om eenheid te kry, ek net die neem van die eerste n terme van die meetkundige reeks (frac) k, en dan normaliseer deur hul som. Wanneer N4, byvoorbeeld, dit gee die nie-genormaliseerde gewigte wat na normaliseer deur hul som, gee Die bewegende gemiddelde is dan net die som van die produk van die mees onlangse 4 waardes teen hierdie genormaliseer gewigte. Hierdie metode veralgemeen in die hand liggende manier om te beweeg vensters van lengte N, en lyk bestryk maklik as well. Is daar enige rede waarom hierdie eenvoudige manier om 'n geweegde bewegende gemiddelde gebruik van eksponensiële gewigte Ek vra, want die Wikipedia-inskrywing vir EWMA lyk meer ingewikkeld bereken nie te gebruik. Wat my laat wonder of die handboek definisie van EWMA miskien het 'n paar statistiese eienskappe wat die bogenoemde eenvoudige definisie nie Of is hulle in werklikheid gelyk gevra 28 November 12 aan 23:53 Om mee te begin met jou is die veronderstelling 1) dat daar geen ongewone waardes en geen vlak skofte en geen tyd tendense en geen seisoenale dummies 2) wat die optimale geweegde gemiddelde het gewigte wat val op 'n gladde kurwe beskryfbaar deur 1-koëffisiënt 3) dat die foutvariansie konstant dat daar is geen bekende veroorsakende reeks Hoekom al die aannames. â € IrishStat 1 Oktober 14 by 21:18 Jan: In die gegewe voorbeeld, die som van die eerste vier terme is 0,9375 0.06250.1250.250.5. So, die eerste vier terme hou 93,8 van die totale gewig (6.2 is in die afgekapte stert). Gebruik dit om genormaliseer gewigte wat opsom om eenheid deur hersch aling (verdeling) deur 0,9375 verkry. Dit gee 0,06667, 0,1333, 0,2667, 0,5333. uitvoering maak Assad Ebrahim 1 Oktober 14 by 22:21 Ive het bevind dat Computing exponetially geweeg hardloop gemiddeldes met behulp Overline leftarrow Overline alfa (x - Overline), alphalt1 is 'n eenvoudige een-lyn metode, dit is maklik, al was dit net ongeveer, interpreteerbare in terme van 'n effektiewe aantal monsters Nalpha (vergelyk hierdie vorm om die vorm vir die berekening van die lopende gemiddeld), vereis slegs die huidige datum (en die huidige gemiddelde waarde), en is numeries stabiel. Tegnies, hierdie benadering nie inkorporeer al die geskiedenis in die gemiddelde. Die twee belangrikste voordele aan die gebruik van die volle venster (in teenstelling met die afgekapte een bespreek in die vraag) is dat in sommige gevalle kan dit analitiese karakterisering van die filter te verlig, en dit verminder die skommelinge veroorsaak as 'n baie groot (of klein) data waarde is deel van die datastel. Byvoorbeeld kyk na die filter gevolg indien die data is almal nul behalwe vir een datum waarvan die waarde is 106. beantwoord 29 November 12 aan 0: 33How om Geweegde bewegende gemiddeldes bereken in Excel gebruik van Eksponensiële Smoothing Excel Data-analise vir Dummies, 2de Uitgawe die eksponensiële Smoothing instrument in Excel bereken die bewegende gemiddelde. Maar eksponensiële gladstryking gewigte die waardes wat in die bewegende gemiddelde berekeninge sodat meer onlangse waardes het 'n groter invloed op die gemiddelde berekening en ou waardes het 'n mindere effek. Dit gewigte word bereik deur 'n glad konstante. Om te illustreer hoe die eksponensiële Smoothing program werk, veronderstel dat you8217re weer te kyk na die gemiddelde daaglikse inligting temperatuur. Om geweegde bewegende gemiddeldes te bereken met behulp van eksponensiële gladstryking, neem die volgende stappe: Om 'n eksponensieel stryk bewegende gemiddelde te bereken, eerste kliek op die data tab8217s Data-analise opdrag knoppie. Wanneer Excel vertoon die dialoog Data-analise boks, kies die eksponensiële Smoothing item uit die lys en kliek op OK. Excel vertoon die dialoog Eksponensiële Smoothing boks. Identifiseer die data. Om die data waarvoor jy 'n eksponensieel stryk bewegende gemiddelde bereken identifiseer, klik in die Invoer Range tekskassie. Identifiseer dan die insette reeks, óf deur te tik 'n werkblad verskeidenheid adres of deur die kies van die werkblad reeks. As jou insette reeks sluit in 'n teks etiket om te identifiseer of jou data beskryf, kies die etikette boks. Verskaf die smoothing konstante. Tik die glad konstante waarde in die dempingsfaktor tekskassie. Die Excel Help lêer dui daarop dat jy 'n glad konstante van tussen 0,2 en 0,3 gebruik. Vermoedelik, maar indien you8217re gebruik van hierdie instrument, jy jou eie idees oor wat die korrekte glad konstante is. (As you8217re clueless oor die glad konstante, miskien het jy shouldn8217t word met behulp van hierdie instrument.) Vertel Excel waar die eksponensieel stryk bewegende gemiddelde data te plaas. Gebruik die Uitset Range tekskassie om die werkblad reeks waarin jy die bewegende gemiddelde data plaas identifiseer. In die werkkaart voorbeeld, byvoorbeeld, jy die bewegende gemiddelde data te plaas in die werkblad verskeidenheid B2: B10. (Opsioneel) Chart die eksponensieel stryk data. Om die eksponensieel stryk data karteer, Kies die diagram Uitgawe boks. (Opsioneel) Dui wat jy wil standaardfout inligting bereken. Standaard foute te bereken, kies die standaard foute boks. Excel plekke standaard fout waardes langs die eksponensieel stryk bewegende gemiddelde waardes. Nadat jy klaar spesifiseer wat bewegende gemiddelde inligting wat jy wil berekende en waar jy wil dit geplaas word, klik op OK. Excel bereken bewegende gemiddelde inligting.
No comments:
Post a Comment